Redis内存数据库在长江上游水资源管理决策支持系统中的应用研究

随着流域巨型水库群的建成投运和流域水文监测站网体系的逐步完善,水资源时空数据日趋庞大,导致已有水资源管理决策支持系统服务器压力剧增、响应速度降低、易崩溃等问题的发生。为此,研究引入开源的Key-Value模型内存数据库Redis,设计了一种快速高效的数据交互框架,避免频繁的磁盘I/O操作,实现系统响应速度的数量级提升。研究成果集成在长江三峡梯调中心金沙江下游~三峡决策支持系统中,应用效果表明,设计的数据交互框架能够显著提升系统响应速度,保障系统的可用性和稳定性。

金沙江下游—三峡梯级水库群调度运行补偿电量分配

为探究金沙江下游—三峡梯级水库群联合发电调度补偿电量及补偿规律,以溪洛渡、向家坝、三峡、葛洲坝水库为例,分别建立了单库优化调度和梯级水库联合调度模型,并以长系列历史径流为输入进行调度模拟,在此基础上,考虑各水库参与联合调度的贡献值,提出基于补偿电量贡献值的贡献系数计算方法,进行了水库间和梯级间联合调度补偿电量分配,获得了不同水库间的补偿电量,为金沙江下游—三峡梯级水库群管理决策提供理论支撑与技术支持。

水库群运行的改进深度神经网络模拟方法

流域大规模水库群的形成导致径流时空分布发生深刻变化,而不同水库群往往分属不同业主调度管理,上游水库群的下泄计划无法实时获取,给下游水库调度计划编制带来困难,并且影响下游水库运行安全。本文提出一种水库群运行自适应矩估计改进深度神经网络模拟方法,通过改善深度神经网络参数训练方式,从水库群历史运行数据中提取调度规则,在此基础上对水库群运行进行模拟,并结合实例研究,将结果与传统神经网络方法进行综合对比。结果表明,本文所提出的方法能够更好地模拟水库群运行,所模拟的观音岩、锦屏一级和二滩水库下泄流量平均相对误差分别为8%、11%和10%,均优于反向传播(BP)神经网络结果,可为探究调度计划未知情况下的水库运行规律提供新途径。